加权Fast Newman模块化算法在人脑结构网络中的应用

摘要 针对二值人脑结构网络的模块化方法不足以反映复杂的人脑生理特征这一问题，提出一种基于Fast Newman二值算法的加权脑网络模块化算法。该算法以凝聚节点的层次聚类思想为基础，以脑网络中单个脑区节点的权重值和脑网络总权重值为主要依据构建加权模块度评价指标，并将其增量作为度量值来确定加权脑网络中节点的合并从而实现模块划分。将该算法应用于60个健康人的组平均数据中的实验结果显示，与二值人脑网络模块化结果相对比，所提算法得到的模块度提高了28%，并且模块内部和模块外部的特征区分更加明显，所得到的人脑模块也更符合已知的人脑生理特性；而与现有的两种加权模块化算法实验对比结果表明，所提算法在合理划分人脑网络模块结构的同时也小幅提高了模块度